生成的标题卡写着“FIBO 2.0 vs GPT Image 2.5”,副标题为“一个开放的 8B 检查点对阵 OpenAI 按 token 计费的一对模型”,并带有三个标签,分别写着“文生图 Elo 差距为 192.29”、“每 1,000 张图像 $32 对 $210.72”和“其中一个可下载”。页脚写着“Elo 和估算价格依据 Artificial Analysis,AA-Image-T2I v2.1,读取于 2026 年 11 月 20 日。”
Guides & Insights

FIBO 2.0 对比 GPT Image 2.5:192 Elo,价格高六倍

作者

Elias Hawthorne

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

Fibo 2.0 与 GPT Image 2.5 之间相差 192 Elo,建模成本相差 6.6 倍,而这两个数字都比乍看之下更经不起推敲。Elo 差距是真实的——在 Artificial Analysis 的文生图榜单上,1,229.27 对 1,036.98,置信区间远未接近相交——但它也是二者之间最没用的选择依据,因为这两个模型并不打算做同一件事。Fibo 2.0 是 Bria 于 2026 年 10 月 20 日发布的 8B 流匹配检查点,可以下载,并且会在绘制前将你的指令扩展为结构化的 JSON 描述。GPT Image 2.5 并不是一个模型:它是 GPT-Image-2.5 Sunburst 和 GPT-Image-2.5 Flare,两个分别建立快照的模型,按 token 计费,其中一个是公开榜单上最强的图像生成器。

那么诚实的说法不是“哪个更好”,而是“这四样东西你需要哪个”——可下载的模型、最佳输出、每张图的预算,还是不会漂移的编辑。本页按这个顺序来讲。

两个模型,同一个名称,以及为什么这一点在这里很重要

没有 gpt-image-2.5。把这个字符串粘贴进 API 就会报错,因为该标识符并不存在。真正存在的是 Sunburst,其 ID 为 gpt-image-2.5-sunburst,OpenAI 将其描述为自己能力最强的图像生成与编辑模型;以及 Flare,即 gpt-image-2.5-flare,定位为快速的日常生成。两者都带有 2026-09-08 的快照日期,并且不存在能把请求分发到其中任一模型的统一模型。

这在比较中很重要,因为这两个变体彼此并不接近。在文本到图像排行榜上,Sunburst 为 1,229.27,Flare 为 1,209.81——两个版本号相同的模型之间相差 19 分。在图像编辑方面,差距在同一方向上扩大到十七分,分别为 1,201.50 和 1,184.65。任何“GPT Image 2.5 击败 X”的说法,都是关于 Sunburst 的说法,而指出这一点就值 19 分的精确度。

这种拆分对解读分数很重要。Fibo 2.0 以两个部分发布:一个既能绘图也能编辑的完整 Dev 基础模型,以及一个仅用于编辑的 Turbo——它在 guidance 1.0 下被蒸馏到四步,并且明确不是微调基础模型。Artificial Analysis 在每个榜单上只以 Dev 检查点列出一行 Fibo 2.0,从不单独报告 Turbo,因此 1,037 和 1,086 描述的是 Dev——较慢的通用检查点——而不是你实际会放在用户面前的快速编辑器。

文生图 — GPT-Image-2.5 Sunburst 1,229.27,在 116 个中排名第 2。Fibo 2.0 1,036.98,排名第 32。差距 192.29。

• 图像编辑 — Sunburst 1,201.50,排名第 4(共 86)。Fibo 2.0 1,085.98,排名第 31。差距 115.52。

• 建模价格——每 1,000 张图像 210.72 美元,对比 32.00 美元。这是 6.6 倍,而且这是 Artificial Analysis 自己的可比数据,而非任何一家供应商的价目表。

• 权重 — Fibo 2.0 今日开放下载,8B 参数,CC BY-NC 4.0 许可。GPT Image 2.5 则始终不提供下载;GPT-Image 系列中不存在开放的检查点。

Screenshot of the Artificial Analysis text-to-image leaderboard, captured in English, showing GPT Image 2.6 Sunburst at the top, GPT Image 2.5 Sunburst (max) at 1,229.27 in rank 2, GPT Image 2.5 Flare (max) at 1,209.81 in rank 5, and Fibo 2.0 at 1,036.98 in rank 32, with the price column reading 210.7 for the OpenAI models and 32.0 for Fibo 2.0.

无法弥合的差距

值得直言不讳地说明质量差距,因为一个对此含糊其辞的对比页面毫无用处。在文生图方面,192 Elo 并不是口味差异。把它换算成它所代表的指标,就意味着在接近每十次直接比较中的九次里,Sunburst 更受青睐。在编辑方面,差距缩小一半至 116,并且仍落在两个区间之外:1,201.50,范围为 1,190.50 至 1,212.50,对比 1,085.98,范围为 1,072.98 至 1,098.98。甚至 Sunburst 的下界也比 Fibo 的上界高出 91 分。

本文其余部分没有任何内容会推翻这一点。本文其余部分要论证的是,有四项任务中,116 或 192 的 Elo 并不是决定性变量,而且购买者在这四项任务上通常都会选择得分更高的模型。

按 token 计费对每张图预算的影响

这正是价格差距变得有意思的地方,因为两家供应商的计量方式并不相同,而董事会的模型测算数字掩盖了这一点。

OpenAI 按 token 为图像模型计费——即图像输出 token,这就是为什么同一模型公布的是输入价格和输出价格,而不是按张计费。通过 OrcaRouter 目录,这两个变体分别列为每百万输入 token 8 美元和每百万输出 token 30 美元,Sunburst 与 Flare 完全相同,这是提供商列表价原样透传,未在上面加价。折算到每张图像意味着什么,完全取决于你请求的分辨率和质量设置,并且在不同设置范围内可能相差数倍。榜单上的每千张 210.72 美元是一种建模选择,假设了一个代表性设置,而不是你能在任何地方找到的印刷费率。

Bria 按图像计费。其自有平台每张 $0.032,因此一千张图像为 $32——与看板所示数字相同,这并不常见且值得注意:对 Fibo 2.0 而言,建模价格与单价一致。如果使用 VGL 辅助工具将普通指令扩展为结构化描述,还会产生第二笔费用,每次调用约 $0.02,因此完整的结构化提示词生成更接近 $0.052。自己编写 JSON 即可跳过这笔费用。

• 可预测性 — Fibo 每张图片的成本是固定的。GPT Image 2.5 的成本则取决于你的设置,如果你对分辨率有严格把控,这是好消息;但如果产品经理不断要求以 4K 再跑一遍,那就是坏消息了。

• 上限——按董事会的建模费率,一千张 Sunburst 图像为 210.72 美元;在 Bria 平台上,一千张 Fibo 图像为 32.00 美元,若每张都进行结构化提示调用则为 52.00 美元。

• 成本下限——在自有 GPU 上以非商业许可证运行 Fibo,成本就是电费。一位社区工作流作者测得,在 RTX 6000 Pro 上,使用一张参考图、八步,在 2K 和 400 万像素下每张图像耗时 19 秒。无论价格如何,GPT Image 2.5 都没有同等的成本下限。

Generated cost comparison card titled 'What a thousand images costs', with two columns. The left column, 'Fibo 2.0', reads: Bria platform 32.00 dollars; with structured-prompt helper 52.00 dollars; own GPU, electricity, 19 seconds per 2K image. The right column, 'GPT Image 2.5 Sunburst', reads: modelled price 210.72 dollars per 1,000 images; input 8 dollars per million tokens; output 30 dollars per million tokens. A footer reads 'Fibo rates per Bria; modelled price per Artificial Analysis; token rates per the OrcaRouter catalogue, 20 November 2026.'

漂移,以及结构化提示词的论点

Fibo 2.0 唯一以品质而非价格立论的地方,正是其架构所围绕的核心,这一点值得实测,而非轻易否定。

Fibo 2.0 不会直接使用你的句子。Qwen3-VL-4B-Instruct 编码器会读取提示词,Perceiver 重采样器将其压缩为 256 到 512 个 gist token,并且 44 个 DiT 块中有五个还会通过交叉注意力接收 VLM 自身的层。实际使用时,模型会把“胡桃木书桌上的红色马克杯,晨光从左侧照来”扩展成一份结构化的 VGL/JSON 描述,其中包含主体、材质、光照和位置等字段,再基于该文档生成,并把 JSON 交还给你。改动一个字段并重新运行,未改动的字段仍保持原值。

这与"保留细节"是两种不同的保证。这意味着编辑受限于一种数据结构,而不是受限于语言模型重新阅读你的句子能读得多好。对于多步骤的产品工作——同一物体、六种光照条件——这是最耗费时间的失败模式,也是本设计针对的失败模式。Bria 还将其与最多四张按顺序以 <image_1> 到 <image_4> 引用的参考图像搭配,并提供一种蒙版模式,其中白色区域会重新生成,而其他所有内容都保持不变。

它在任务层面是否能胜过 Sunburst 的编辑,不是 Elo 榜单能告诉你的,我也不会声称它能。榜单表明,在通用提示分布上,Sunburst 的编辑效果更好。架构则表明,在固定属性循环中,Fibo 的漂移应该更小。这些是不同的主张,而其中只有一个已经被公开测量过。

其中每一个都是显而易见的答案

当需求是“让它好看,没人会问它花了多少钱”时,Sunburst 就是显而易见的答案。营销主视觉图、活动变体,任何需要人来从十二个方案里挑出最佳一个的场景,都是如此。在 116 个模型的榜单上排名第 2,且比最好的可下载替代方案领先 95 分,这可不是微弱的优势;这正是这个模型存在的理由。

当你想以更低的延迟获得其中大部分质量,而且你的用量很大时,Flare 显然是答案——每 token 价格相同,Elo 落后十九分,被 O​penAI 定位为日常生成而非展示性作品。

Fibo 2.0 在三种更窄的场景中是显而易见的答案。你需要模型权重:用于本地部署、用于微调、用于研究基线、用于气隙环境。你需要一个可以明确援引的许可证:Bria 的卖点是经过许可的训练数据、C2PA 来源溯源和企业赔偿保障,并声称完全符合 EU AI Act——这是采购层面的答案,而非质量层面的答案。或者你需要围绕固定主题进行有界迭代,而结构化提示词设计恰好契合你问题的形态。

第四种情况是人们最容易搞错的:成本。Fibo 在账面上便宜 6.6 倍,但一支团队如果花上两周的工程时间去绕开 192 Elo 的质量差距,那付出的代价早已超过这点差价。用错了模型,推理再便宜也不便宜。

路由答案,针对属于我们的那一半

OrcaRouter 提供 GPT-Image-2.5 Sunburst 和 Flare——两者都已作为图像生成端点列入目录,价格采用提供商自身的每百万 token 输入 8 美元、输出 30 美元,且未加价。它不提供 Fibo 2.0:要使用该模型,需通过 Bria 的权重及其平台,没有任何路由器能改变附着于它们的许可。否则就会是那种听起来不错、却会让某人付出法律审查代价的说法。

What one endpoint is actually worth here is the surrounding work. A Fibo pipeline has a vision-language model in it by design — the structured caption is produced by one — and that call can go through the same key as everything else, including the O​penAI models you are probably already using for the text side. Where the routing layer earns its keep is the boring failure: automatic failover means a batch of two thousand images does not stall because the captioning provider had a bad twenty minutes, and routing rules let you send cheap work to cheap models and the one hero image a day to Sunburst without maintaining two integrations and two invoices.

在供应商会重新定价的市场中,0% 加价的重要性远超字面听上去的程度。供应商降价当天就会在这里体现,而不是等到下一次合同续约;你本月进行的比价,下个月仍然是同样的比价。

什么会改变这一裁决

两件事,但只有一件有可能。

第一个是 Fibo 2.0 微调,它缩小了在特定领域上的编辑差距。微调正是让 8B 开源模型不再比拼通用 Elo、转而开始围绕你的数据竞争的地方,而仓库中的 LoRA 训练器让这件事只需一个周末,而不是一个项目。如果专门化的 Fibo 在你的任务上击败 Sunburst,那么通用排行榜就无关紧要,便宜 6.6× 才真正成为便宜 6.6×。

第二项是 GPT Image 2.5 成本结构的变化。OpenAI 此前已经调整过图像 token 的定价,未来可能还会再次调整;下调输出费率会压缩 Fibo 唯一具有明显领先优势的维度,也会让“足够便宜,值得接受质量差距”这一论点更难成立。

Screenshot of OpenAI's image generation documentation page, captured in English, whose opening section names the two IDs gpt-image-2.5-sunburst and gpt-image-2.5-flare and advises Sunburst where editing precision matters and Flare for fast everyday generation, followed by the Image API's Generations and Edits endpoints, the Responses API's multi-turn editing and File ID inputs, a Choosing the right API section, and a GPT-Image-2.6 paragraph on complexity control, markup-guided edits, SVG and animated GIF output.

在其中任何一种情况发生之前,这种区分都清晰而不花哨。如果图像必须准确无误,就购买 Sunburst。如果图像必须归你掌控——由你运行、由你微调、由你在采购会议上为之辩护——就下载 Fibo。为一种偏好支付六倍价格代价不小,为一份许可证放弃 192 Elo 也代价很大。这两种说法都成立,因此这两个模型可以共存,而不会让任何一方成为错误选择。